不到現(xiàn)場，照樣看最干貨的學(xué)術(shù)報告！嗨，大家好。這里是學(xué)術(shù)報告專欄，讀芯術(shù)小編不定期挑選并親自跑會，為大家奉獻(xiàn)科技領(lǐng)域最優(yōu)秀的學(xué)術(shù)報告，為同學(xué)們記錄報告干貨，并想方設(shè)法搞到一手的PPT和現(xiàn)場視頻——足夠干貨，足夠新鮮！話不多說，快快看過來，希望這些優(yōu)秀的青年學(xué)者、專家杰青的學(xué)術(shù)報告 ，能讓您在業(yè)余時間的知識閱讀更有價值。

人工智能論壇如今浩如煙海，有硬貨、有干貨的講座卻百里挑一。“AI未來說·青年學(xué)術(shù)論壇”系列講座由中國科學(xué)院大學(xué)主辦，承辦單位為中國科學(xué)院大學(xué)學(xué)生會，協(xié)辦單位為中國科學(xué)院計算所研究生會、網(wǎng)絡(luò)中心研究生會、人工智能學(xué)院學(xué)生會、化學(xué)工程學(xué)院學(xué)生會、公共政策與管理學(xué)院學(xué)生會、微電子學(xué)院學(xué)生會，百度為支持單位，讀芯術(shù)、PaperWeekly為合作自媒體。“AI未來說·青年學(xué)術(shù)論壇”第八期“深度學(xué)習(xí)”專場已于2019年8月25日下午在中科院舉行。中科院付鵬為大家?guī)韴蟾妗渡疃葘W(xué)習(xí)與機(jī)器閱讀》。

付鵬，男，中國科學(xué)院信息工程研究所博士，現(xiàn)為中國科學(xué)院信息工程研究所助理研究員，主要從事自然語言處理、機(jī)器學(xué)習(xí)，具體包括情感/情緒分析、語義理解、機(jī)器閱讀、文本生成等，在2018全國“軍事智能-機(jī)器閱讀”挑戰(zhàn)賽中，獲得決賽總成績第一（1/267，獎金20萬），并且包攬了所有單項第一名，主持和參與了國家自然科學(xué)基金、國家重點研發(fā)計劃等課題，近幾年在AAAI、EMNLP、CIKM等國內(nèi)外學(xué)術(shù)會議與期刊上發(fā)表學(xué)術(shù)論文10余篇。

報告內(nèi)容：本次報告主要包括機(jī)器閱讀概述、傳統(tǒng)機(jī)器閱讀方法、深度學(xué)習(xí)方法和競賽分享四個部分。

深度學(xué)習(xí)與機(jī)器閱讀

付鵬老師先介紹了自然語言處理的概念，即研究實現(xiàn)人與計算機(jī)之間用自然語言進(jìn)行有效通信的各種理論和方法。自然語言處理技術(shù)的發(fā)展經(jīng)歷了基于規(guī)則（1990年以前）、基于統(tǒng)計學(xué)習(xí)（1990年~2012年）和基于深度學(xué)習(xí)（2012年至今）的方法三個階段，涉及由淺入深的四個層面，分別為形式、語義、推理和語用，當(dāng)前正處于由語義向推理的發(fā)展階段。

然后引出了自然語言處理技術(shù)所面臨的難題：1）中文分詞（segmentation）困難，如“一行行行行行，一行不行行行不行”和“一位友好/的哥/譚市民”；

2）歧義（ambiguity）現(xiàn)象：一是結(jié)構(gòu)歧義，如“今天中午吃饅頭”和“今天中午吃食堂”；二是指代歧義，如“他快抱不起兒子了，因為他太胖了”；三是語義歧義，如“她這個人真有意思（funny）”，“人們以為他們有了意思（wish）”，“我根本沒有那個意思（thought）”和“真沒意思（nonsense）”；

3）未知語言現(xiàn)象：一是新詞，如不明覺厲、累覺不愛和十動然拒；二是舊詞新義，如母雞、白骨精和潛水；三是新用法新結(jié)構(gòu)，在口語中或部分網(wǎng)絡(luò)語言中，不斷出現(xiàn)一些“非規(guī)范的”新的語句結(jié)構(gòu)，如c位出道、ORZ和熱skr人了；

4）不同語系的差異：一是屈折語，用詞的形態(tài)變化表示語法關(guān)系，如英語、法語等；二是黏著語，詞內(nèi)有專門表示語法意義的附加成分，詞根或詞干與附加成分的結(jié)合不緊密，如日語、韓語、土耳其語等；三是孤立語，形態(tài)變化少，語法關(guān)系靠詞序和虛詞表示，如漢語。

接著介紹了自然語言處理的技術(shù)概覽，主要包括：1）NLP基礎(chǔ)技術(shù)，如詞匯表示和語義分析、短語表示和語義分析、句子表示和語義分析以及篇章表示和語義分析；2）NLP核心技術(shù)，如情感分析、信息檢索、機(jī)器翻譯、機(jī)器閱讀、問答系統(tǒng)、語言生成、推薦系統(tǒng)以及聊天和對話；3）NLP+，如智能分析、搜索引擎、商業(yè)智能和輿情分析。

進(jìn)而引出了機(jī)器閱讀的主題，機(jī)器閱讀是自然語言處理領(lǐng)域“皇冠上的明珠”，涉及到語義理解、知識推理等多項復(fù)雜技術(shù)，極具挑戰(zhàn)性，該技術(shù)旨在讓AI代替人類，自動閱讀新聞報道等信息并根據(jù)問題給出答案，可應(yīng)用于輿情分析和情報挖掘領(lǐng)域等多個場景。機(jī)器閱讀的難點挑戰(zhàn)主要包括：1）語義推理難，語言博大精深，如“作為失敗的典型，你真的太成功了”；2）語義關(guān)聯(lián)難，字同意不同，如“誰是特朗普的兒子”和“誰的兒子是特朗普”；3）語義表示難，分詞歧義，如“昨天/下午”和“作/天下/午”，一詞有多義，如“我愛吃蘋果”和“蘋果發(fā)布會”。

在介紹完機(jī)器閱讀的難點挑戰(zhàn)之后，又介紹了機(jī)器閱讀的發(fā)展歷程：TeachingMachines to Read and Comprehend（Karl Moritz Hermann et al.） → Attention-Sum Reader（Kadlec et al.） →SQuAD（Rajpurkar et al.） → Match-LSTM（Wang et al.） → R-Net（Wang et al.） →BiDAF（Minjoon Seo et al.） → QA-Net（Yu et al.） → BiDAF+self-attention + BERT。

緊接著介紹了傳統(tǒng)機(jī)器閱讀方法，主要包括早期系統(tǒng)和機(jī)器學(xué)習(xí)時代的方法。其中，在介紹早期系統(tǒng)時，介紹了QUALM系統(tǒng)（Lehnert，1977）、早期數(shù)據(jù)集（Hirschman， 1999）、Deep Read系統(tǒng)（Hirschman， 1999）和QUARC系統(tǒng)（Riloff andThelen， 2000）。在機(jī)器學(xué)習(xí)時代，機(jī)器閱讀的數(shù)據(jù)被轉(zhuǎn)化為 《文章，問題，答案》 的三元組形式，有兩個重要的數(shù)據(jù)集：1）MCTest，四選一數(shù)據(jù)集，包含660篇科幻小說；2）ProcessBank，二分類數(shù)據(jù)集，包含585個問題和200個段落，是生物類型文章，需要理解實體關(guān)系和事件。基于傳統(tǒng)規(guī)則方法的特點包括：1）不使用訓(xùn)練數(shù)據(jù)集；2）啟發(fā)式的滑動窗口方法，計算word overlap、distance information；3）文本蘊含方法，用現(xiàn)有的文本蘊含系統(tǒng)，把（問題，答案）對轉(zhuǎn)化為一個statement；4）max-margin學(xué)習(xí)框架，使用了很多語言特征，如句法依存、semantic frames、指代消解、discourse relation和詞向量等。

隨后，以傳統(tǒng)機(jī)器閱讀的方法作為引入，引出了深度學(xué)習(xí)的方法。先介紹了機(jī)器閱讀的主要步驟：文本表示（將文本表示成機(jī)器能理解的符號）→ 語義匹配（尋找問題和原文句子的語義關(guān)聯(lián)） → 理解推理（對語義關(guān)聯(lián)進(jìn)行加工和推理） → 結(jié)果推薦（對候選答案進(jìn)行排序和輸出）。

在介紹完機(jī)器閱讀的主要步驟之后，又介紹了機(jī)器閱讀的主要數(shù)據(jù)集：1）MCTest數(shù)據(jù)集，給定一篇文章、一個問題以及四個選項，預(yù)測哪個選項是問題的答案；2）CNN/Daily Mail 數(shù)據(jù)集，給定一篇文章和一個問題，預(yù)測問題中被X替代的實體是文章中的哪個實體；3）SQuAD數(shù)據(jù)集，給定一篇文章、一個問題，預(yù)測文章中的一個區(qū)間（一個或幾個詞）作為答案；4）Quasar-T數(shù)據(jù)集，給定幾篇文章、一個問題，預(yù)測文章中的一個區(qū)間（一個或幾個詞）作為答案。

然后又講到了注意力機(jī)制，Seq2Seq模型存在兩個問題，一是定長的中間向量 c 限制了模型性能，二是輸入序列的不同部分對于輸出序列的重要性不同。對于Seq2Seq存在的問題，提出了相應(yīng)的解決方案：解碼器中的每個時刻不是輸入固定的c，而是輸入不同的 ci，每個時刻的 c 自動選取與當(dāng)前輸出最相關(guān)的上下文。其中，ci 為編碼器中隱狀態(tài)的加權(quán)和。

在介紹完注意力機(jī)制之后，又詳細(xì)介紹了機(jī)器閱讀模型BiDAF （ICLR 2017），該模型包括輸入部分、雙向注意力和輸出部分，其中，輸入為一篇文章X和一個問題Y，輸出為文章中每一個詞作為答案開始的概率和答案結(jié)束的概率。雙向注意力是上下文（context）和檢索（query）之間相互指導(dǎo)的注意力機(jī)制。

接著又進(jìn)一步介紹了機(jī)器閱讀的最新進(jìn)展，重點講解了兩篇文章，分別為Improving Machine Reading Comprehension with Reading Strategies （NAACL 2019） 和Adversarial Examples for Evaluating Reading Comprehension Systems （EMNLP 2017）。其中，前者是基于已有模型的改進(jìn)，受閱讀策略被證明可以提高閱讀理解的水平的啟發(fā)，提出了三種閱讀策略：Backand Forth Reading，Highlighting 和 Self-Assessment，并且模型中用到了GPT （GenerativePre-trained Transformer）。后者介紹了機(jī)器閱讀的新問題-對抗閱讀，文本針對斯坦福問答數(shù)據(jù)集（SQuAD）提出一個對抗評估方案，自動生成并在段落中插入對抗語句，然后測試系統(tǒng)能否圍繞這一段落回答問題。這些對抗語句的目的在于干擾計算機(jī)回答系統(tǒng)，但并不會改變問題的正確答案，也不會對人類造成干擾。在這種對抗方案中，16個已發(fā)表模型的精確度從75%（F1數(shù)）降到了36%。當(dāng)對抗系統(tǒng)被允許加入不符合語法的短語串，有四個模型的平均精度下降到了7%。

在介紹完最新的研究進(jìn)展之后，又介紹了多文檔閱讀，多文檔閱讀的過程：問題文檔集合→ 文檔檢索模塊 → 答案抽取模塊 → 最終答案。多文檔閱讀主要存在三個難點：1）需要基于多個段落預(yù)測答案；2）與問題相似的段落干擾問題；3）遠(yuǎn)程監(jiān)督假設(shè)帶來噪音問題。然后又介紹了國內(nèi)外的研究現(xiàn)狀，開放域問答包括單段落方案和多段落方案，其中多段落的方案又包括基于答案重排序和基于答案置信度。

接著，付鵬老師又介紹了他所在團(tuán)隊提出的模型Ranking and Sampling in Open-Domain Question Answering （EMNLP 2019），該模型的特點：1）在段落選擇部分充分利用段落和問題以及段落和段落之間的信息，采用層級注意力機(jī)制和自注意力機(jī)制進(jìn)行降噪；2）在訓(xùn)練時采用隨機(jī)采樣→ 帶權(quán)采樣段落選擇方案，提升模型泛化能力，避免干擾；3）解決開放域問答中的噪音和干擾問題，提升系統(tǒng)準(zhǔn)確率。

最后，付鵬老師介紹了他們在全國“軍事智能-機(jī)器閱讀”競賽中的參賽經(jīng)歷，他所在的團(tuán)隊獲得了決賽總成績第一名，并且包攬了所有單項第一名（軍事新聞、防務(wù)快訊、非密情報三個單項比賽），RougeL值高達(dá)91.39%。并介紹了競賽的任務(wù)、問題實例、數(shù)據(jù)特點以及總體的框架。

其中競賽任務(wù)的問題包括6種類型：1）事實型問題（第X艦隊指揮官是誰？）2）列表型問題（X國艦載機(jī)機(jī)型？）3）數(shù)值型問題（XX艦的排水量？）4）定義型問題（“XX一體站”的定義？）5）觀點型問題（XX對軍事智能化的指示？）6）篇章型問題（X國與X國領(lǐng)土爭端的進(jìn)展？）。

數(shù)據(jù)的特點包括：1）文章的長度較長，經(jīng)典的SQUAD數(shù)據(jù)集的最長文章的單詞數(shù)在700以下。但是該數(shù)據(jù)集文章中字符的個數(shù)普遍在幾千甚至上萬，最長的一篇還有10萬多的字符；2）標(biāo)注的問答可能在文章中出現(xiàn)多次或者不出現(xiàn)，訓(xùn)練數(shù)據(jù)標(biāo)注存在噪音問題；3）一部分問題的答案由文中不相鄰的多句話組成，比如，列表型問題和篇章型問題可能出現(xiàn)答案由文中不相鄰的多句話組成，但是數(shù)目比較少。

模型的總體框架分為兩步：1）利用問題去篩選答案候選集；2）利用模型預(yù)測最終答案。總體框架的流程：數(shù)據(jù)預(yù)處理→ 答案候選集篩選 → 模型預(yù)測答案 → 后處理 → 最終答案。更多精彩內(nèi)容請關(guān)注微信公眾號中的視頻分享。